TensorFlow có thể được sử dụng để định nghĩa feature columns cho mô hình estimator bằng cách tạo một danh sách rỗng và truy xuất các giá trị 'key' của tập dữ liệu huấn luyện và lặp qua nó. Trong quá trình lặp, tên feature được thêm vào danh sách rỗng.
Đọc thêm: TensorFlow là gì và Keras hoạt động như thế nào với TensorFlow để tạo mạng nơ-ron?
Chúng ta sẽ sử dụng Keras Sequential API, giúp xây dựng mô hình tuần tự dùng cho stack các layer đơn giản, nơi mỗi layer có chính xác một input tensor và một output tensor.
Một mạng nơ-ron chứa ít nhất một layer được gọi là layer tích chập. Chúng ta có thể sử dụng Mạng nơ-ron tích chập (CNN) để xây dựng mô hình học.
TensorFlow Text chứa tập hợp các lớp và ops liên quan đến văn bản có thể được sử dụng với TensorFlow 2.0. TensorFlow Text có thể được dùng để tiền xử lý sequence modelling.
Chúng ta đang sử dụng Google Colaboratory để chạy mã dưới đây. Google Colab giúp chạy mã Python trên trình duyệt và yêu cầu cấu hình zero và truy cập miễn phí GPU. Colaboratory được xây dựng dựa trên Jupyter Notebook.
Một Estimator là biểu diễn cấp cao của TensorFlow cho một mô hình hoàn chỉnh. Nó được thiết kế để dễ dàng mở rộng và huấn luyện bất đồng bộ.
Ví dụ
print("Xây dựng danh sách feature columns cho mô hình estimator")
my_feature_columns = []
for key in train.keys():
my_feature_columns.append(tf.feature_column.numeric_column(key=key))
Nguồn mã: https://www.tensorflow.org/tutorials/estimator/premade#first_things_first
Đầu ra
Xây dựng danh sách feature columns cho mô hình estimator
Giải thích
- Một feature column mô tả cách mô hình nên sử dụng dữ liệu đầu vào thô từ features dictionary. Khi một mô hình Estimator được xây dựng, một danh sách feature columns được truyền cho nó.
- Chúng mô tả từng feature mà mô hình nên sử dụng.
- Module tf.feature_column cung cấp nhiều tùy chọn để biểu diễn dữ liệu cho mô hình.
- Chúng ta xây dựng danh sách feature columns để báo cho mô hình Estimator biểu diễn mỗi trong bốn feature dưới dạng giá trị floating-point 32-bit.